COLEGIO DE BACHILLERES

ESTADÍSTICA DESCRIPTIVA
E INFERENCIAL II

FASCÍCULO 3. FUNCIONES DE DISTRIBUCIÓN

NORMAL ESTÁNDAR
UNA VISIÓN ESTÁTICA

Autores: Emigdio Arroyo Cervantes

Juan Matus Parra

1
2
 ÍNDICE

INTRODUCCIÓN 5
PROPÓSITO 7
CUESTIONAMIENTO GUÍA 9

CAPÍTULO 1. FUNCIONES PROBABILÍSTICAS 11

CONTÍNUAS
1.1 DISTRIBUCIÓN NORMAL ESTÁNDAR 12

1.1.1 Normalización 14

1.1.2 Valores Normalizados “Z” y Área Bajo la Curva 21

1.1.3 Aproximación Normal a la Distribución Binomial 36

1.2 DISTRIBUCIONES MUESTRALES Y TEOREMA

DEL LÍMITE CENTRAL 40

1.2.1 Distribuciones Muestrales 40

1.2.2 El Teorema Central del Límite 50

1.2.3 Distribución T-Student 55

RECAPITULACIÓN 70

ACTIVIDADES DE CONSOLIDACIÓN 71

AUTOEVALUACIÓN 73

APENDICES 79

BIBLIOGRAFÍA CONSULTADA 92

3
4
 INTRODUCCIÓN

En el fascículo anterior estudiaste las distribuciones de probabilidad binomial y de

Poisson. Estas son distribuciones de variable aleatoria discretas, en que cada valor de
las variables se le asigna una probabilidad.

Existen otras distribuciones de probabilidad, las de variables aleatorias continuas cuya

determinación de la probabilidad difiere de las anteriores toda vez que las observaciones
del experimento generan un espacio muestral infinito y cada intervalo de este tiene un
número infinito no numerable de posibles resultados los cuales incluyen valores reales.

De lo anterior podemos concluir que para determinar la probabilidad de una variable

aleatoria continua, se desarrolla un método distinto a los anteriores.

En este fascículo estudiarás la distribución normal como modelo de fenómenos

aleatorios en los que se efectúan mediciones continuas y te capacitarás en el cálculo de
la probabilidad de fenómenos aleatorios de regularidad estadística, aplicando para ello,
la distribución normal estándar.

Así mismo, estudiarás la aplicación de a distribución de medias muestrales mediante el

uso del Teorema del Límite Central para muestras grandes y la distribución de Student
en muestras pequeñas.

5
6
 PROPÓSITO

Con este fascículo puedes estudiar las funciones probabilísticas continuas su distribución
normal estándar, las distribuciones muestrales y teorema central del límite, así como la
distribución T de Student.

Estos temas que parecen sin sentido, toman una importancia fundamental cuando
hablamos de investigación. Para cualquier ciencia o profesión la investigación juega un
papel preponderante, y para que esta sea aceptada científicamente es necesario que
cuente con datos fidedignos y sistematizados adecuadamente ¡ y esta es la contribución
de “nuestros temas sin sentido”! A través de su estudio puedes aprender a sistematizar
los elementos cuantitativos de cualquier investigación, y si estás pensando ¡Yo no seré
investigador, seré médico, o sociólogo, o químico, o pedagogo, o...! Nosotros tendríamos
que contestarte que todos, absolutamente todos, en algún momento de su vida
profesional hacen investigación y entonces requerirás estas herramientas.

Para que puedas ejercitar los contenidos que integran el fascículo, aparecen una serie
de actividades, ¡no dejes de hacerlas!

7
8
 CUESTIONAMIENTO GUÍA

Sabemos que las aguas negras de la Ciudad de México se utilizan para el riego de los
campos de cultivo circunvecinos al Valle de México.

Esta agua negras contienen entre otras sustancias, el cloro en cantidades perjudiciales
al sembradío de cereales porque en lugar de beneficiarlo con el riego, lo quema y lo
seca.

Por lo anterior, es necesario darle al agua un tratamiento con el fin de disminuir o

eliminar el contenido de cloro. Para ello el Departamento del D.F. tiene establecido un
laboratorio en los colectores de aguas para determinar el contenido de cloro y dar el
tratamiento correspondiente antes de abrir las compuertas.

Para el análisis se toma una muestra de 5 lt. De aguas negras diariamente. Los
resultados correspondientes al mes de noviembre de 1993 fueron las que se muestran
en la siguiente tabla. Las cantidades de cloro se registran en partes pro millón (ppm).

16.2 15.4 16.0 16.6 15.9 15.8 16.0 16.8 16.9 16.8
15.7 16.4 15.2 15.8 15.9 16.1 15.6 15.9 15.6 16.0
16.4 15.8 15.7 16.2 15.6 15.9 16.3 16.3 16.0 16.3

Usemos estos datos para realizar un recordatorio de los conceptos estudiados en tu

curso de Estadística I. Esto nos servirá para abordar los nuevos conceptos que
estudiarás en este fascículo y para ello realiza el siguiente ejercicio:

1. Ordena los datos en sentido creciente.

2. Determina el rango de variación de los datos.
3. Elabora una tabla de frecuencia de datos agrupados de 5 clases.
4. Determina la moda, la mediana y la media de la muestra.
5. Determina la desviación estándar.
6. Traza el histograma.
7. Traza el polígono de frecuencia.
8. Analiza e polígono de frecuencias y determina:
a) De qué tipo es (platicúrtica, mesocúrtica, etc.)
b) Determina el sesgo.
c) Determina el orden de la media, la moda y la mediana.
9. Analiza la desviación estándar y determina como es la dispersión de las puntuaciones.

9
10
 CAPÍTULO 1

FUNCIONES PROBABILÍSTICAS
CONTÍNUAS

En el siglo XVIII a los jugadores profesionales les interesaba conocer a priori, las
probabilidades de éxito en los distintos juegos de azar, para ello acudieron a los
matemáticos de la época en busca de ayuda. Como una respuesta a una necesidad
planteada a los matemáticos, en 1973 Abraham D’Moavre (1667-1754) es quien obtiene
por primera vez la ecuación matemática de la curva normal.

La distribución normal nos permite el cálculo de probabilidades de variables aleatorias

continuas y discretas de cualquier problema de: Ingeniería, Medicina, Ciencias Sociales,
Agricultura, Psicología, Física, Química, etc.

Otros grandes matemáticos contribuyeron dándole impulso, entre ellos podemos citar a
Friedrich Gauss (1777-1855) quien perfeccionó y la utilizó ampliamente en su teoría de
errores de las mediciones físicas. Laplace la usó en el cálculo de lo errores de las
observaciones astronómicas. El matemático Ruso P.L. Chebyshev estableció varios
teoremas relacionados con la curva de la distribución normal.

Los experimentos realizados pro muchos científicos, permiten determinar que la mayor
parte de las variables aleatorias se pueden estudiar considerando que tiene una función
de densidad normal.

11
1.1 DISTRIBUCIÓN NORMAL ESTÁNDAR

Retomemos el problema de las aguas negras. Los resultados que debiste obtener son:

R = 1.7 M = 16.01
M = 16.05 X = 16.08
S = 0.42

El histograma y el polígono de frecuencias son los siguientes:

fi

10

0
x
15.2 15.37 15.72 16.08 16.42 16.77

Fig. 1

Del polígono de frecuencias podemos ver que la curva es asimétrica; está sesgada a la
izquierda por lo tanto su asimetría es negativa. Por su puntiagudez es del tipo
leptocúrtica.

Recordarás que los polígonos de frecuencias pueden ser :

1. Simétricos ( Gráfica A )

2. Asimétricos ( Gráficos B y C )

d) En la asimetría positiva el sesgo es a la derecha (Gráfico B)

e) En la asimetría negativa el sesgo es a la izquierda (Gráfico C)

12
 fi
B C
A

0 x

Fig. 2

1. Los polígonos simétricos se clasifican en :

a) Platicúrtico (Gráfica A)
b) Mesocúrtico (Gráfica B)
c) Leptocúrtico (Gráfica C)

fi C

x
0 µ σC σB σA

Fig. 3

De los gráficos anteriores podemos concluir que la forma de cada una, está íntimamente
relacionada con las medidas de tendencia central y de dispersión.

En las simétricas, las medidas de tendencia central coinciden en el mismo punto, es

decir µ = Mo = Md.

13
Las medidas de dispersión son diferentes, de la figura ( 3 ) obtenemos que:

σA = σB = σC

En las asimétricas las medidas de tendencia central son diferentes y lo mismo ocurre con
las de dispersión.

a) Sesgo positivo µ < Md < Mo σA ≠ σB ≠ σC

b) Sesgo negativo µ > Md > Mo

En cualquier problema de variable aleatoria continua, su polígono de frecuencia es

alguna de las gráficas anteriores y éstas dependen de sus parámetros de tendencia
central y de dispersión.

La gráfica que tiene forma de campana, su media µ = 0 y σ = 1, se llama curva normal

estándar o campana de Gauss pro haber sido el primer científico que usó esta
representación.

Las curvas simétricas tienen la forma de campana y las asimétricas no tienen esa forma
pero pueden transformarse a simétricas.

El procedimiento para transformar las curvas asimétricas en simétricas, es mediante una

normalización de los datos del problema y que estudiaremos a continuación.

1.1.1. Normalización

El proceso de transformación de un polígono de frecuencias a una curva normal, se

llama normalización y para ello se hace un cambio de escala mediante la normalización
o tipificación de las puntuaciones, es decir, los valores ( x ) se transforman en valores Z
mediante la ecuación de transformación.

Xi − µ
Z= ... (1)
σ

Z = Puntuación normalizada o tipificada

Xi = Cada una de las puntuaciones de la población
µ = Media de las puntuaciones de la población
σ = Desviación estándar de la población

14
Veamos el siguiente ejemplo:

Se desea conocer el peso promedio de los alumnos del turno vespertino del plantel 2 del
Colegio de Bachilleres. Para ello se toma una muestra representativa de 150 alumnos y
se pesan. Los pesos ya organizados en 13 clases, se muestran en la siguiente tabla de
frecuencias:

Clases en kg. 30 – 34 35 − 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 64
fi 1 5 8 8 10 18 12

65 – 69 70 - 74 75 – 79 80 – 84 85 – 89 90 – 94
36 28 12 8 3 1

ACTIVIDAD DE REGULACIÓN

Con estos datos anteriores, calcula:

c) La media, y
d) La desviación estándar.
e) Traza el polígono de frecuencias.

15
Los resultados que debiste obtener son:

N = 150 POLÍGONO DE FRECUENCIAS

X = 63.9
S = 12.2

fi

40

30

20

10

Fig. 4

x
0 27 32 42 52 62 72 82 92 97 102

De esta gráfica podemos concluir que es asimétrica con sesgo negativo y del tipo
leptocúrtica.

Ahora vamos a normalizar estos datos y trazar la curva normal estándar sobre este
polígono de frecuencias para poder constatar el cambio de escala.

16
Para explicar el procedimiento vamos a construir la siguiente tabla:

Normalización de una Distribución Asimétrica

1 2 3 4 5 6 7 8 9
CLASE fi Lr ∆x=xi–x Z = ∆x/σ PARTE PARTE fe fe
SUP MAYOR MENOR redondeada

90−94 1 94.5 30.6 2.51 0.9940 0.0119 1.785 1.8

85−89 3 89.5 25.6 2.10 0.9821 0.0276 4.140 4.1
80−84 8 84.5 20.6 1.69 0.9545 0.0548 8.220 8.2
75−79 12 79.5 15.6 1.28 0.8997 0.0919 13.875 13.9
70−74 28 74.5 10.6 0.87 0.8078 0.1306 19.590 19.6
65−69 36 69.5 5.6 0.46 0.6772 0.1573 23.595 23.6
60−64 12 64.5 0.6 0.05 0.5199 0.1605 24.075 24.1
55−59 18 59.5 −4.4 −0.36 0.3594 0.1388 20.820 20.8
50−54 10 54.5 −9.4 −0.77 0.2206 0.1016 15.240 15.2
45−49 8 49.5 −14.4 −1.18 0.1190 0.0631 9.465 9.5
40−44 8 44.5 −19.4 −1.59 0.0599 0.8331 4.965 5.0
35−39 5 39.5 −24.4 −2.00 0.0228 0.0148 2.220 2.2
30−34 1 34.5 −29.4 −2.41 0.0080 0.0080 1.200 1.2

Las columnas 1 y 2 corresponden a la clase y la frecuencia establecidas en la primera

tabla.

La columna 3 corresponde al límite real superior de cada clase el cual se determina

aumentando medio punto a cada valor del límite superior.

La columna 4 es igual a la desviación de cada puntuación con respecto a la media y se

obtiene mediante la ecuación:

∆x = xi – x ... (1)

Se toma como xi, al límite real superior de cada clase.

17
La columna 5 es el valor de Z correspondiente a cada puntuación y se obtiene mediante
la ecuación de normalización o tipificación, esto es:

∆x xi − x
Z = = ... (2)
σ σ

La columna 6 se determina de los valores de la tabla del apéndice ( A ) “Áreas y

∆x
ordenadas de la curva de distribución normal en función de ” que posteriormente
σ
ejemplificaremos.

En la primera columna de esta se localiza el valores de z, en la tercera columna se lee el

valor del área bajo la curva normal de la parte mayor.

En la cuarta columna se lee el área bajo la curva normal de la parte menor y se registra
en la columna siete de nuestra tabla.

EJEMPLO:

Para z = 2.51 el área de la parte mayor que se lee en la tercera columna es 0.9940.

Para z = −2.41 en la cuarta columna se lee el área de la parte menor correspondiente a

0.0080.

La columna ocho de nuestra tabla corresponde a la frecuencia esperada (fe) y se calcula

multiplicando el total de casos N =150 por el área de la parte menor (columna 7) de cada
puntuación.

Ejemplo: (0.0119) (150) = 1.785

La columna nueve es la frecuencia esperada (fe) redondeada a una cifra decimal.

Con estos valores de la tabla trazamos el polígono de frecuencias y la curva normalizada

para ver el cambio que sufre el polígono de frecuencias de cualquier problema que se
normalizan los datos:

18
 fi

30

20

10

S
0 27 32 37 42 47 52 57 62 67 72 77 82 87 92 97
Z
0 27.3 39.5 51.7 S=63.9 76.1 88.3 100.3

Fig. 5

A = Polígono de frecuencia de los pesos de 150 alumnos del plantel 2 del turno
vespertino del Colegio de Bachilleres.

B = Curva normal del mismo problema.

En la escala Z de la figura 5, se determinan los valores de la desviación típica ( s ), a

uno y otro lado de la media ( x ).

Del ejemplo anterior habrás notado que normalizar los datos de un problema es
equivalente a cambiar la escala “x” por la “z” y calcular las nuevas frecuencias que son
las ordenadas de cada punto. Para ello usamos los valores de la tabla. Estos valores
corresponden a las áreas bajo la curva normal y se han calculado mediante la ecuación
que define a la función normal y ésta es:

( x −µ ) 2
1 −
2σ
y = f (x) = e ...(3)
2πσ

19
D = 3.1416.... µ = media proporcional
e = 2.718281... σ = desviación estándar de la población
x = cada uno de los datos u observaciones.

Con la ecuación ( 3 ) podemos trazar la curva normal que tiene la forma de campana.
Primero obtenemos µ y σ de los datos del problema y sustituimos en la fórmula ( 3 ).
Para obtener un par ordenado, usamos un valores arbitrario de x obtenemos un valor
de y. Esta sucesión de puntos nos da la curva normal.

La Curva Normal Estándar

La curva normal estándar o campana de Gauss es la misma curva normalizada

solamente que mediante una traslación se lleva la curva hasta el origen . En este caso
usamos µ = 0 y σ = 1.

La siguiente gráfica muestra la curva normalizada con µ = 30 y σ = 10

B A

-30 -20 -10 0 10 20 30 40 50 60

-3σ -2σ -σ µ=0 σ 2σ 3σ

Fig. 6

A = Curva normalizada
B = Curva normalizada y estandarizada

Al trasladar la gráfica anterior al origen, hemos transformado los parámetros µ y σ en :

µ=0 y σ=1

Con estos valores reducidos, la curva normal estándar se obtiene mediante la gráfica de
la función:
2

1 − x
y = f (x) = e 2
...(4)
2π
20
Y la ecuación de tipificación es la ya conocida:

x−µ
x=µ+σZ ∴ Z= ...(1)
σ

ACTIVIDAD DE REGULACIÓN

Con los datos del problema de las aguas negras, elabora la tabla con los datos
normalizados y traza la curva normal sobre el polígono de frecuencias que ya obtuviste
antes.

1.1.2 VALORES NORMALIZADOS “Z” Y ÁREA BAJO LA CURVA NORMAL

Ya quedó establecido que para normalizar el polígono de frecuencias y transformarlo en

una campana de Gauss, se tipifican las observaciones ( xi ) del problema cambiándolos
a una escala (Z) mediante la ecuación ( 1 ).

Esta curva normal es necesaria estandarizarla para poder calcular la probabilidad

mediante una misma tabla ya elaborada para toda curva normal estandarizada, que se
obtiene trasladando la media al origen como ya se indicó.

La curva normal estandarizada tiene las siguientes características:

a) La altura alcanza su valor máximo como µ = 0 y su valor es 0.4, es decir; el punto

máximo es Pm(0,0.4)

b) La curva normal estándar es simétrica con respecto a la media por lo tanto los
parámetros de tendencia central son iguales, es decir:

µ = Mo = Md = 0 ...(5)

21
c) La desviación estándar es σ = 1

d) El área bajo la curva es A=1

Z
µ=0

Fig. 7

El área sombreada vale 1 y como la curva es simétrica cada región a los lados del eje y
vale 0.5.

e) El eje Z es una asíntota horizontal de la curva ya que lim (z) = 0

z ∞
f) El área más importante donde se distribuye la probabilidad de un suceso, se encuentra
comprendida entre + 3σ y esto lo puedes constatar en la siguiente gráfica de la Fig. 8.

g) De acuerdo con el teorema de Chebishev relacionado con la desviación estándar y el

área bajo la curva, podemos establecer los siguientes porcentajes de la misma:

99%

95%

68%

Z
-3σ -2σ -σ µ=0 σ 2σ 3σ

Fig. 8

De esta gráfica podemos ver que el área antes y después de + 3σ corresponde al 1%, es
decir el 0.5% para cada lado de la gráfica.

22
Por la simetría que tiene la curva normal estándar, existen tablas correspondientes al
área bajo al curva que únicamente contemplan la parte positiva de la gráfica y estos
mismos valores se usan para el lado negativo.

Ejemplo: Con los siguientes valores de “Z” determinaremos el valor de área bajo la curva
y trazaremos un esquema del área correspondiente:

Z = + 0.5, + 0.7, + 1.5

En la primera columna de la tabla localizamos el valor de Z = 0.5 y en la segunda

columna leemos el valor del área.

Z = 0.5 ; A = 0. 1915

Z
µ = 0 Z = 0.5

Z = -0.5 , A = 0.1915

Z
Z =-0.5 µ = 0

Z = 0.7 ; A = 0.2580

Z
µ=0 Z = 0.7

23
Z = -0.7 ; A = 0.2580

Z
Z =-0.7 µ=0

Z = 1.5 ; A = 0.4332

Z
µ=0 Z = 1.5

Z = -1.5 ; A = 0.4332

Z
Z =-1.5 µ=0

De las gráficas anteriores podemos ver, que el valor del área es el mismo para valores
positivos y negativos de Z solamente que para el valor negativo, el área se representa a
la izquierda de la media.

24
 ACTIVIDAD DE REGULACIÓN

Normaliza los valores de X = 4, 6, 9,12,18,20, usando µ = 10 y σ = 5. traza una gráfica

para cada valores de x, compárala con la gráfica de los valores normalizados y traza una
para cada “Z” sombreando en ambas gráficas la región correspondiente.

El área bajo la curva normal estándar representa la probabilidad de un evento; toda el

área bajo la curva vale uno y representa la probabilidad del evento seguro.

El área de cada mitad de la gráfica, es 0.5

µ=0 µ=0

P(Z) = 0.5 P(Z) = 0.5

Si queremos la probabilidad de un evento cuyo valor está limitado por dos puntuaciones,
por ejemplo:

P ( x, ≤ X ≤ x2 )

Probabilidad de “x” comprendida entre x1 y x2.

Para determinar esta probabilidad, tipificamos los valores “x”.

Sabemos que la curva normalizada de la escala “x” es equivalente a la curva normall

estándar en la escala “Z”.

∴ P ( x1 ≤ x ≤ x2) = P ( Z1 ≤ Z ≤ Z2 )

X1 − µ
Determinamos Z1 = → P ( Z ) = P ( Z1 ) + P ( Z2 )
σ
X2 − µ
Z2 =
σ

25
Las gráficas correspondientes en ambas escalas son:

Si las “x” están en el lado positivo entonces, debemos recordar que los valores que se
leen en la tabla normalizada son a partir de la media hasta el valor de Z.

Las gráficas de las variables x y z son las que se muestran a continuación:

P ( Z ) = P ( Z2 ) – P ( Z1 )

26
Si los valores de “x” están en la parte negativa de “z” es decir a la izquierda de la media,
entonces los gráficos son:

P ( Z ) = P ( Z2 ) – P ( Z1 )

X2 X1 X X Z2 Z1 µ

Si solamente tenemos una “X” a la derecha de la media entonces el área bajo la curva
es:

P ( Z ) = 0.5 + P ( Z1 )

X X1 X µ=0 Z1 Z

27
Recuerda que la primera mitad del área bajo la curva vale 0.5, es por eso que a la
probabilidad de Z, le sumamos 0.5.

X1 X X Z1 µ=0 Z

Si nos interesa la probabilidad de x<µ, entonces la gráfica es:

P (Z) = 0.5 – P (Z1)

←P(X1)→ ←P(Z1)→

X1 X X Z1 µ

28
Si queremos la probabilidad de las partes sombreadas de las siguientes gráficas:
P ( Z ) = [ 0.5 – P ( Z1) ] + [ 0.5 – P ( Z2 )]

←P(X2)→ ←P(Z2)→
←P(X1)→
←P(Z1)→

X1 X X2 X Z1 µ=0 Z2 Z

Recuerda que la probabilidad de “Z” , es la parte sin sombrear de la media a la izquierda

hasta “Z”, y la probabilidad de Z2, es la parte sin sombrear de la media a la derecha
hasta Z2.

ACTIVIDAD DE REGULACIÓN

Con los siguientes valores determina la probabilidad y traza la gráfica correspondiente

para cada inciso.

1. a) Z = 0 y Z = 0.94
b) Z = 0 y Z = -2.15
c) A la derecha de Z = 0.62
d) A la derecha de Z = - 0.93
e) A la izquierda de Z = 0.84
f) A la izquierda de Z = -0.35

2. a) Z = - 0.59 y Z = 0.59
b) Z = -0.71 y Z = 1.99
c) Z = 0.32 y Z = 0.92
d) Z = -0.81 y Z = -0.42
e) Z = -1.65 y Z = -0.25

29
Si se conoce la probabilidad de un evento y queremos determinar el valor de Z, entonces
nos situamos en la segunda columna de la tabla ( Área desde la media), localizamos el
valores de la probabilidad y en el mismo renglón y en la misma columna 1 determinamos
el valores deZ.

Ejemplo: Si P ( Z ) = 0.4429 entonces ¿el valore de Z es?

De la tabla obtenemos que Z = 1.58

µ=0 Z Z

Determina Z si P ( Z ) = .7580. Este valor es mayor que 0.5 correspondiente a la mitad

de la gráfica por lo tanto hacemos la siguiente transformación:

P ( Z) = 0.5 + P ( Z ) ∴ P (Z1 ) = P ( Z ) – 0.5 = 0.7589 – 0.5 = 0.2589

P ( Z1 ) = 0.2589

µ=0 Z1 Z

En la tabla nos situamos en este valor y en la columna 1 está el valor de Z = 0.70

Si la probabilidad de z a la izquierda de la media es P ( Z ) = 0.1331, entonces ¿Z es?

30
En la segunda columna de la tabla localizamos el valor de la probabilidad y en la misma
línea en la primera columna determinamos el valor de Z = -0.34. El valor del signo es
por estar a la izquierda de la media

-Z µ=0 Z

ACTIVIDAD DE REGULACIÓN

1. Determina el valor de Z y traza la gráfica de cada inciso, si la probabilidad de z

es:

a) Entre 0 y Z, P ( Z ) = 0.4864
b) A la izquierda de Z, P ( Z ) = 0.9983
c) A la derecha de Z, P ( Z ) = 0.7324
d) A la derecha de Z, P ( Z ) = 0.2981
e) A la izquierda de Z, P ( Z ) = 0.1314
f) Entre –Z y Z, P ( Z ) = 0.7286

2. Una variable aleatoria tiene una distribución normal con media µ = 60 y

desviación estándar σ = 5.2 ¿ Cuáles son las probabilidades de que la variable
aleatoria tome un valor como el que se indica? Traza la gráfica de cada inciso.

a) Menor que 62.5

b) Mayor que 70.5
c) Entre 60.0 y 66.2
d) Entre 48 y 72

Si tienes alguna duda consulta a tu profesor o a tu consultor.

31
EJEMPLO:

Con los siguientes valores, calcula la probabilidad de la distribución binomial y traza e

polígono de frecuencia de cada una.

1) n = 10, p = 0.2, q = 0.8, x = 0, 1, 2, . . . 10

2) n = 10, p = 0.8, q = 0.2, x = 0, 1, 2, . . . 10
3) n = 10, p = 0.5, q = 0.5, x = 0, 1, 2, . . . 10

Para el problema 1 sustituimos valores en ( 6 ) y obtenemos:

10 0 10
F( 0 ) = ( 0 ) ( 0.2 ) ( 0.8 ) = ( 1 ) ( 1 ) ( 0.1073 ) = 0.1073

10 1 9
F( 1 ) = ( 1 ) ( 0.2 ) ( 0.8 ) = ( 10 ) ( 0.2 ) ( 0.1342 ) = 0.2684

10 2 8
F( 2 ) = ( 2 ) ( 0.2 ) ( 0.8 ) = ( 45 ) ( 0.04 ) ( 0.1677 ) = 0.3019

10 3 7
F( 3 ) = ( 3 ) ( 0.2 ) ( 0.8 ) = ( 120 ) ( 0.0008 ) ( 0.2097 ) = 0.2013

10 4 6
F( 4 ) = ( 4 ) ( 0.2 ) ( 0.8 ) = ( 210 ) ( 0.0016 ) ( 0.2621 ) = 0.0881

10 5 5
F( 5 ) = ( 5 ) ( 0.2 ) ( 0.8 ) = ( 252 ) ( 0.00032 ) ( 0.3276 ) = 0.0264

Calcula los siguientes valores:

F( 6 ) =

F( 7 ) =

F( 8 ) =

F( 9 ) =

F( 10 ) =

32
Cálculo del segundo problema:

10 0 10
F( 0 ) = ( 0 ) ( 0.8 ) ( 0.2 ) = ( 1 ) ( 1 ) ( 0.000000102 ) = 0.0000001

10 1 9
F( 1 ) = ( 1 ) ( 0.8 ) ( 0.2 )= ( 10 ) ( 0.8 ) ( 0.000000512 ) = 0.0000009

10 2 8
F( 2 ) = ( 2 ) ( 0.8 ) ( 0.2 ) = ( 45 ) ( 0.64 ) ( 0.000002 ) = 0.0000737

10 3 7
F( 3 ) = ( 3 ) ( 0.8 ) ( 0.2 ) = ( 120 ) ( 0.512 ) ( 0.000012 ) = 0.0008

10 4 6
F( 4 ) = ( 4 ) ( 0.8 ) ( 0.2 ) = ( 210 ) ( 0.4096 ) ( 0.000064 ) = 0.0055

10 5 5
F( 5 ) = ( 5 ) ( 0.8 ) ( 0.2 ) = ( 252 ) ( 0.3276 ) ( 0.00032 ) = 0.02642

Calcula los siguientes valores:

F( 6 ) =

F( 7 ) =

F( 8 ) =

F( 9 ) =

F( 10 ) =

Cálculo para el tercer problema:

10 0 10
f( 0 ) = ( 0 ) ( 0.5 ) ( 0.5 ) = ( 1 ) ( 1 ) ( 0.00097 ) = 0.0009

10 1 9
f( 1 ) = ( 1 ) ( 0.5 ) ( 0.5 )= ( 10 ) ( 0.5 ) ( 0.00195 ) = 0.009

10 2 8
f( 2 ) = ( 2 ) ( 0.5 ) ( 0.5 ) = ( 45 ) ( 0.25 ) ( 0.0039 ) = 0.039

10 3 7
f( 3 ) = ( 3 ) ( 0.5 ) ( 0.5 ) = ( 120 ) ( 0.125 ) ( 0.00781 ) = 0.1172
33
 10 4 6
f( 4 ) = ( 4 ) ( 0.5 ) ( 0.5 ) = ( 210 ) ( 0.0625 ) ( 0.0156 ) = 0.2051

10 5 5
f( 5 ) = ( 5 ) ( 0.5 ) ( 0.5 ) = ( 252 ) ( 0.03125 ) ( 0.03125 ) = 0.2461

f( 6 ) =

f( 7 ) =

f( 8 ) =

f( 9 ) =

f( 10 ) =

Representación gráfica de las probabilidades de cada uno de los problemas:

Para poder trazar la gráfica como si fuese una variable continua, cerramos los espacios
entre cada barra del histograma, para ello tomemos medio punto después de cada valor
para obtener el límite real superior de clase.

p<q

Gráfica del problema 1.

La gráfica 1 es asimétrica y sesgada a la derecha-

34
 p>q

Gráfica del problema 2.

La gráfica 2 es antisimétrica y sesgada a la izquierda.

Gráfica del problema 3.

La gráfica 3 es simétrica muy parecida a la campana de Gauss.

35
1.1.3 APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL

En el fascículo anterior estudiaste el cálculo de probabilidades de variables discretas

cuya distribución es binomial.

Veamos la representación gráfica de una variable de distribución binomial cuando

n ( número de elementos de la población ) aumenta.

n= 5 n = 11 n = 15 n = 50

En las gráficas anteriores podemos ver si “n “ aumenta, los espacios entre las barras se
van cerrando y la gráfica se aproxima a la campana de Gauss que es la gráfica de una
variable aleatoria continua.

Veamos el cálculo de los siguientes problemas correspondientes a una dis tribución

binomial definida por la ecuación:

n
f ( x) =   p x (1 − p) n − x
 x
n = Número de observaciones
x = Número de éxitos esperados
p = Probabilidad de éxito
q = 1-p = Probabilidad de fracaso

Con estos ejemplos podrás notar que el cálculo en la distribución binomial, es muy
laborioso, aunque existen tablas para algunos valores; pero no son suficientes cuando
“n“ crece.

Por ejemplo si en un problema de distribución binomial se han realizado 100

observaciones y se desea saber la probabilidad de obtener al menos 45 éxitos.

36
Para determinar esta probabilidad tenemos que calcular

f ( 45 ) + f ( 46 ) + f ( 100 ) = P( x ) ...(7)

Otra forma de calcular esta Probabilidad es restándole a la unidad las probabilidades de

la siguiente forma:

P (x ) = 1 – [ f ( 0 ) + f ( 1 ) + f ( 2 ) + . . . + f ( 44 ) ] ...(8)

Una forma de ahorrar este trabajo laborioso es haciendo el cálculo de probabilidades por
medio de la distribución normal.

Ya vimos en las gráficas anteriores cómo el polígono de frecuencias de un problema de

distribución binomial se aproxima a la campana de Gauss, por lo tanto podemos usar la
distribución normal para calcular una probabilidad binomial con una aproximación
aceptable.

Se recomienda usar la distribución cuando “n” es grande y P se aproxima al valor de 0.5.

se considera que n es grande si n>30

Para usar la distribución normal se calculan los parámetros aplicando las siguientes
ecuaciones:

µ = np ...(9)

σ = np(1 − p) . . . ( 10 )

Veamos el siguiente ejemplo:

Determinar la probabilidad de obtener 6 águilas en 15 lanzamientos de una moneda

equilibrada y comparar el resultado mediante la distribución normal.

Solución:

15  1 1 15  1
f (x ) = f ( 6 ) =  ( )6 (1 − )15−6 =  ( )15 = 5005(0.0000305) = 0.1527
6
  2 2 6  2

f ( x ) = 0.1527

Solución usando la distribución normal.

Para aplicar esta distribución corregimos los espacios para considerar a la variable como
si fuese continua o sea para 6 águilas tomamos medio punto antes y medio punto
después, es decir:

37
 1
x = 5.5 µ = np = 15 ( ) = 7.2
2

1 1 1
x = 6.5 σ = np(1 − p) = (15)( )( ) = 15 = 1.9365
2 2 2

5.5 − 7.5 −2
Z1 = = = −1.033
1.9365 1.9365

6.5 − 7.5 −1
Z2 = = = −0.5164
1.9365 1.9365

P(z) = P(Z2)-P(Z1) =
=P(-1.033)-P(-0.5164)
=0.3485-0.1950=0.1535
P(Z)-f(x)=0.1535-0.1527
=0.0008

Z
-Z2 -Z1 µ=0

De estos calculus concluimos que la diferencia de la probabilidad normal y binomial es

de 8 diezmilésimos. Este ejemplo nos ilustra que podemos usar la distribución normal
para calcular la probabilidad de una distribución binomial, con una aproximación tal que
no afecta la toma de decisiones.

Veamos otro ejemplo:

Una editorial de libros técnicos obsequia un porcentaje de libros para dar a conocer una
nueva edición. Con el libro de obsequio se envía un cuestionario que deben contestar los
lectores y devolver a la editorial. En el cuestionario se incluyen preguntas con respecto
de las personas para mejorar su contenido y preparar nuevos tirajes; pero la experiencia
de ésta es que la probabilidad de que devuelvan el cuestionario es de P ( x ) = 0.18.

Se envían por correo 100 ejemplares a profesionistas que pudiesen interesarles el

contenido, del libro “Aplicación industrial de la probabilidad”. A la editorial le interesa
saber la probabilidad que al menos reciban 15 cuestionarios de regreso.

Solución: El problema es de recibir o no el cuestionario, por lo tanto es una distribución

binomial con n = 100 y P = 0.18 por lo que para hallar el resultado debemos calcular:

P ( x ) = f ( 15 ) + f ( 16 ) + . . . + f ( 100 ) . . . ( 11 )

O bien
38
P ( x ) = 1-[f ( 0 ) + f ( 1 ) + . . . + f ( 14 )] . . . ( 12 )

El Segundo cálculo es menos laborioso, sin embargo no deja de serlo. Sabemos que una
buena aproximación es mediante la distribución normal cuyo cálculo es más sencillo.

Veamos el desarrollo:

µ = np = 100 ( .18 ) = 18

σ= np(1 − p) = 100(.18)(.82 ) = 3.84

Para transformar la variable binomial a continua tomamos el límite real inferior de clase
14.5 − 18
X = 14.5 o sea medio punto antes. Con este valor calculamos Z1 = −0.9114
3.84
P(Z) = P (Z1) + 0.5 . . . ( 13 )
De las tablas obtenemos:
P (Z1) = P (-0.9114) = 0.3186
Sustituyendo este valor en ( 13 )
Obtenemos: f(x) = P(Z) = 0.3186+0.5
f(x) = 0.8186

Z
-Z1 µ=0

De acuerdo con este resultado la editorial recibirá el 82% de los cuestionarios enviados.

EJERCICIO:

1. Aplica la distribución binomial y determina la probabilidad de recibir al menos 15

cuestionarios. Compara los resultados e indica el error de aproximación, si es
positivo o negativo.

EJERCICIO:

1. Realiza los siguientes problemas aplicando la distribución binomial y compara el

resultado usando la distribución normal.

2. La policía tiene conocimiento que la probabilidad del robo de automóviles en la

ciudad de México es de P( x ) = 0.4 y tiene reportados 10 automóviles robados
en el mes de diciembre. Calcular la probabilidad de recuperar:

a) A lo más 3 de los 10 robados

b) Al menos 6 de los 10 robados

3. En el plantel 11 del Colegio de Bachilleres se tiene el conocimiento de que la

39
 probabilidad de mujeres en el primer ingreso es de 0.45. Si seleccionamos una
muestra al azar de 10 alumnos de primer ingreso, ¿Cuál es la probabilidad de
que :

a) Seis de los 10 sean mujeres

b) A lo mas 6 de los 10 sean mujeres
c) Al menos 5 de los 10 sean mujeres

1.2 DISTRIBUCIONES MUESTRALES Y TEOREMA CENTRAL DEL

LÍMITE
En el fascículo ( 1 ) del curso de estadística descriptiva se definieron los conceptos:

1) Población 3) Estadística
a) finita e 4) Parámetros
b) infinita
2) Muestra aleatoria

También se estableció por qué es conveniente estudiar una muestra aleatoria en lugar
de la población.

Se recomienda que repases estos conceptos que usaremos en esta unidad.

1.2.1 DISTRIBUCIONES MUESTRALES

Cuando vamos al mercado nos dan una prueba de barbacoa y del sabor de esta muestra
se infiere el sabor de toda y si nos gusta entonces la compramos. Lo mismo ocurre si
queremos comprar queso, pedimos una prueba y de esta deducimos si todo el queso
está bueno o no.

Si el industrial quiere determinar el número de horas de vida que tiene un foco, toma una
muestra de todo el lote y los mantiene encendidos hasta que se funden.

De estos casos podemos deducir que no es posible analizar todo el queso o la barbacoa
porque no quedaría para vender. El industrial no puede fundir todos los focos porque no
tendría qué vender.

En toda investigación estadística el objetivo general de esta, es hacer generalizaciones

de inferencias válidas obtenidas de la muestra. En otras palabras, se trata de conocer las
características de la población a partir de los datos de una o mas muestras obtenidas de
la población.

Las muestras pueden ser:

a) Las muestras no probabilísticas no nos permiten hacer generalizaciones.

b) Las muestras probabilísticas son la base de la inferencia estadística y a
este tipo corresponde el muestreo aleatorio.

40
DEFINICIÓN:

Se llama muestreo aleatorio de una población finita de n elementos, si cada muestra

tiene la misma probabilidad de ser seleccionada y cada elemento de la población tiene la
misma probabilidad de ser incluido en la muestra.

Los tipos de muestras aleatorias son:

1. Muestreo sistemático.
2. Muestreo estratificado.
3. Muestreo por conglomerados.
4. Muestreo aleatorio simple.

En lo que sigue nos ocuparemos de cada uno de ellos.

Muestreo Sistemático

En este muestreo los elementos de la población se seleccionan con un intervalo

uniforma que se mide en el tiempo, en el espacio o en el orden.

Ejemplo:

Se desea entrevistar a cada décimo estudiante del S.E.A. del Plantel 2 del Colegio de
Bachilleres, para ello se toma una lista de todos los estudiantes. Supongamos que
escogimos el 5º., entonces el siguiente será de los 10 primeros seleccionados al azar y a
partir de este vamos tomando los números décimos de toda la lista.

Este muestreo tiene ventajas y desventajas.

a) Ventajas:

1. Cada elemento de la población tiene la misma probabilidad de ser seleccionado.

2. El muestreo requiere de poco tiempo.

3. El costo es reducido.

b) Desventajas:

1. No todas las muestras tienen la misma probabilidad de ser seleccionadas.

2. Debido a lo anterior se puede cometer el grave error de tomar una muestra que
no sea representativa, por ejemplo:

Se muestrea un determinado número de familias para saber si el miércoles está

incluido un platillo de carne de res en su alimentación. La respuesta es negativa
porque solamente el domingo la consume ya que es el día en que van al pueblo
a comprarla. Esta forma de tomar la muestra no es representativa.
41
 Muestreo estratificado

Para este muestreo, dividimos la población en grupos homogéneos llamados

estratificados. Determinamos la proporción correspondiente de cada estrato en
base a la población y esta misma proporción se toma cada estrato para formar la
muestra.

Este método es útil cuando la población ya esta dividida en grupos.

Por ejemplo:

Los estudiantes del S.E.A. del plantel 2 del Colegio de Bachilleres están
divididos por edades con intervalos de 5 años y los porcentajes son los
siguientes:

de 18 a 23 30%
de 24 a 29 25%
de 30 a 35 20%
de 36 a 41 10%
de 42 a 47 7%
de 48 a 53 5%
de 54 y mas 3%

Se desea saber cuantas horas estudian diariamente; para ello de cada grupo se
toma un porcentaje igual al del grupo, es decir del primer grupo tomamos el 30%
del grupo. De la misma forma se toma el porcentaje de los siguientes grupos
para formar la muestra representativa para su estudio.

Muestreo con Conglomerados

Para este tipo de muestreo, dividimos a la población en grupos conglomerados y

de estos seleccionamos una muestra aleatoria, para su estudio.

Por ejemplo:

En una investigación de mercados se desea saber el número de coches por

familia de la ciudad de México. Para ello dividimos las colonias en manzanas y
de este número seleccionamos aleatoriamente un número de manzanas para
entrevistar a cada familia.

Muestreo Aleatorio Simple

El muestreo aleatorio simple tiene las características establecidas en la

definición dada en la página 30. Es el muestreo más recomendable para el
estudio estadístico, solamente que tiene sus inconvenientes.

42
 Para poder hacer el muestreo aleatorio simple debemos contestarnos las
siguientes preguntas:

1. Dada una población finita de N elementos, ¿Cuántas muestras de “n”

elementos podemos formar?

2. Conociendo las “n” muestras ¿Cómo podemos tomar una de ellas que sea
representativa de la población?

Para dar respuesta a la primera pregunta, nos trasladamos al fascículo donde estudiaste
el análisis y aplicamos la ecuación:

 N N!
C  = . . .(14)
n
  n! (N − n)!

EJEMPLO:

Determina ¿Cuántas muestras de tamaño n se pueden formar de una población finita N

para los siguientes datos?

a) n = 2 y N = 20
b) n = 3 y N = 100

Solución:

 20  20! 201918!
a) C  = = = 190
2
  2! ( 20 − 2 )! 2! (18)!

Este resultado nos dice que con una población de 20 elementos podemos tomar 190
muestras de dos elementos cada una.

100  100! 100999897! !

b) a) C  = = = 50 33 98 = 161, 700
 3  3! (100 − 3)! 123! (97 )!

Este resultado nos indica que de una población de 100 elementos podemos formar 161,
700 muestras de 3 elementos.

Para contestar la segunda pregunta observamos lo siguiente:

Para que estas muestras sean representativas en el primer caso cada muestra debe
1
tener de probabilidad de ser seleccionada.
190

43
 1
En el 2° caso cada muestra debe tener de probabilidad de ser seleccionada.
161700

¿Cómo debemos tomar cada muestra para que sea representativa?

Hay varias formas de tomar la muestra. Estas formas son las siguientes: en el primer
caso cuando el número de muestras no es muy grande se pueden numerar recortes de
papel, doblarlos y meterlos en un recipiente donde se puedan mezclar ampliamente.
Una vez mezclados, se saca la muestra.

Por ejemplo:

En una empresa se premiará con un viaje a Europa a solo 2 de los 5 empleados de

mayor eficiencia. ¿Cómo seleccionamos a los dos que deben ir?

Solución:

A cada empleado lo representamos con la primera letra de su nombre.

1. Abraham (A)
2. Dionisio (D)
3. Efraín (E)
4. Fausto ( F)
5. Iván (I )

Determinamos el número de muestras

 N 5  5! 543! 20
C  = C  = = = = 10
n
  2
  2! ( 5 − 2 )! 2! ( 3)! 2

1
P(n)=
10
Cada muestra la escribimos en un recorte de papel y éstas son:

1 2 3 4 5 6 7 8 9 10
A-D A-E A-F A-I D-E D-F D-I E-F E-I F-I

Doblamos bien el corte de papel de cada muestral, la introducimos en una vasija; la

agitamos ampliamente y extraemos a la pareja afortunada.

Quizá haya visto este procedimiento en el sorteo de los equipos para el campeonato
mundial de fútbol. En el sorteo se usaron esferas huecas bisectadas y en su interior se
colocó el nombre de cada equipo, se revolvían ampliamente, se sacaba una esfera de la
cual se tomaba el nombre del equipo y se colocaba en el grupo correspondiente.
44
EJERCICIO:

1) Si para el campeonato mundial de fútbol hay 24 equipos de los cuales se deben

formar 6 grupos de 4. ¿Cómo organizarías los equipos para que cada muestra
sea aleatoria? ¿Cómo tomarías cada muestra y qué equipos la compondrían?
Determina los dos posibles finalistas.

2) Calcula el número de muestras de tamaño 3 para una población de:

a) 7 elementos
b) 15 elementos
c) 50 elementos

3) Calcula el número de muestras de tamaño 5 para una población de:

a) 10 elementos
b) 25 elementos
c) 75 elementos

Si tienes alguna duda consulta a tu profesor o a tu consultor académico.

5
b) Si el número de muestras es muy grande como en el último ejercicio 15, que son
17,259, 390; la forma explicada con recortes de papel no es la adecuada. Para estos
casos se usa otro procedimiento que consiste en usar una tabla de números aleatorios
como la que se incluye en el apéndice “B”.

Esta tabla de números aleatorios se puede constituir fácilmente con un programa de

computación.

Uso de la tabla de números aleatorios.

Para explicar su uso, veamos el siguiente ejemplo:

El Banco Nacional de México tiene una promoción para tarjeta habientes que consiste en
condonarles la cuenta a 10 personas de cada sucursal, en la primera quincena del mes
de enero de 1994. La lista de cuenta habientes es de 550 y para determinar la muestra
aleatoria numeramos cada cliente con tres cifras en orden ascendente esto es: 001,
002, 003, ..., 550 y nos situamos al azar en una columna de números aleatorios y nos
desplazamos en ella en la dirección que queramos analizando las tres primeras cifras de
cada número hasta completar los 10 números de la muestra.

Para nuestro ejemplo nos situamos en la última página de números aleatorios del
apéndice “B”, en la columna 27 renglón 31 y nos desplazamos hacia abajo, los números
obtenidos de 3 cifras son:

187, 155, 388, 320, 281, 088, 520, 275, 480 y 273

Como la tabla es de números aleatorios, podemos asegurar que esta muestra es

45
aleatoria.

Como habrás notado mediante el uso de números aleatorios, es muy fácil tomar una
muestra aleatoria.

EJERCICIO:

Mediante el uso de las tablas del apéndice “B”, realiza e siguiente ejercicio.

En una empresa de 120 empleados se desea obtener una muestra aleatoria de 10

empleados para darles un curso de actualización. ¿Qué empleados formarían la
muestra?

Distribución de Media Muestrales

Ya sabemos cómo determinar e número de muestras de una población y cómo

seleccionar una muestra aleatoria, ahora estudiaremos cómo se organiza una
distribución de medias muestrales.

La distribución de medias muestrales son las probabilidades de todas las medias

posibles de las muestras de una población finita.

Toda distribución de probabilidad puede describirse mediante su media y su desviación

estándar.

Al tomar las muestras aleatorias se cometen ciertos errores que se reflejan en que la
media y la distribución de cada muestra no son iguales, y por lo tanto la media y la
desviación estándar de la población tampoco coinciden con los de la muestra. Por esta
razón, la desviación estándar de la distribución de un estadístico muestral recibe el
nombre de error estándar estadístico.

El error estándar no solamente indica el tamaño del error accidental, sino también la
exactitud que alcanzaremos si usamos un estadístico muestral para estimar un
parámetro de la población.

Veamos el siguiente ejemplo:

De una población cuyos elementos son ( 1, 3, 5, 7, 9 ), formar el número de muestras

aleatorias de 2 elementos, construir la distribución de medias muestrales, determinar la
media de la distribución de medias ( µ- ); determinar la desviación estándar de la
distribución de medias y comparar estos resultados con los parámetros de la población.

Solución:

n=2 Media de la población:

N=5
1 + 3 + 5 + 7 + 9 25
µ = =5 ∴ µ = 5
5 5

46
 σ2 = Varianza de la población:

1
σ2 = [(1-5)+(3-5)+(5–5)+(7–5)+(9–5)]
5

σ2 = 8 σ= 8 = 2.83 ∴ σ = 2.83

5 5!
Número de muestras C  = = 10
2
  2! ( 5 − 2)

Conjunto de muestras

{(1, 3), (1, 5), (1, 7), (1, 9), (3, 5), (3, 7), (3, 9), (5, 7), (5, 9), (7, 9)}

Conjunto de medias muestrales

{2, 3, 4, 5, 4, 5, 6, 6, 7, 8}

Probabilidad de las medias muestrales

Probabilidad
x
Media de la distribución 2 1 de medias muestrales
10

1 1 2 3 1 2 2 1 1
µx = 2 (
10
)+ 3( )+ 4 ( )+ 5
10 10
10 (
10
)+ 6 ( )+ 7 ( )+ 8 ( )
10 10 10
4 2
10

µx = 5 5 2
10

6 2
Varianza de la distribución de 10 medias muestrales:
7 1
10
1 1 1 1 1
σ2 = (2-5) ( ) + (3-5) ( ) + (4-5) 8 1
( ) + (5-5) ( ) + (6-5) ( ) + (7-
10 10 10 10 10 10
1 1
5) ( ) + (8-5) ( )
10 10

σ2 = 3 ∴ σ = 3 = 1.73

47
De estos resultados concluimos que:

1. La media de la distribución de medias µx es igual a la media poblacional ( µ )

2. La desviación estándar de la distribución de medias σx es menor que la
desviación estándar poblacional (σ).

De este ejemplo podemos ver el error estándar de la media en que σx < σ, el cual ya
habíamos mencionado.

Ilustramos el proceso de la distribución de media muestrales mediante las siguientes

gráficas.

Dada una población de N elementos, ésta tiene una media µ y una desviación estándar
σ cuya relación entre ellos se muestra en la gráfica siguiente:

Distribución de la
población

µ σ

Gráfica A.

Distribución de
medias muestrales

Gráfica B.

48
De esta población se pueden formar un gran número de muestras pero solamente
mostramos 4 de ellas para ilustrar el procedimiento.

Distribución de
medias muestrales
con µ x = µ

µ=0 σ σx < σ,

Con estas gráficas podemos darnos mejor idea de la secuencia de operaciones que
realizamos para obtener la distribución de medias muestrales representada por la gráfica
C. Esta gráfica es simétrica y tiene la forma de la curva normal o campana de Gauss.
De esta misma gráfica podemos constatar que la media poblacional es igual a la media
de la distribución de medias, lo cual no ocurre con la desviación estándar en la que hay
un error.

La desviación estándar de la distribución muestral de medias para poblaciones finitas de

tamaño N, se puede calcular por la ecuación

σ N−n
σx = = . . . (15)
n N −1

Esta ecuación se llama error estándar de las medias.

N−n
A la raíz le llamamos factor de corrección por población finita, toda vez que para
N −1
σ
poblaciones infinitas se aplica la ecuación σ x = − . . . (16)
n

Si la muestra es al menos el 5% de la población entonces el factor de corrección no

afecta porque tiende a la unidad.

49
Veamos el ejemplo que usamos para la distribución de medias en que:
N=5 n=2 σx = 3 σ= 8

Con estos valores sustituimos en la fórmula y obtenemos:

8 5−2 8 3 3(8)
σx = = =
2 5 −1 2 4 2( 4)
σx = 3

De este resultado concluimos que por ser la muestra al menos el 5% de la población, el

factor de corrección no afecta a la distribución estándar de medias.

EJERCICIO:

1. De una población finita N = { 3, 4, 5, 6, 7, 8 y 9}, se toman muestras aleatorias de

2 elementos.

a) Calcula la media µ y la desviación estándar de la población, σ.

b) Calcula el número de muestras aleatorias que se pueden formar,

establece el conjunto de muestras u determina la probabilidad de cada
una.

c) Construye la distribución de medias muestrales de la población.

d) Calcula la media, la varianza de la distribución de medias; valor de la

desviación estándar de las medias, aplicando la ecuación del error
estándar.

e) Realiza las gráficas de la secuencia de operaciones.

2. Determina el factor de corrección para una población N = 10, 000 con muestras
de n = 100 e indica si afecta o no a la desviación estándar de la distribución de
medias muestrales σ x .

1.2.2 EL TEOREMA CENTRAL DEL LÍMITE

En los ejemplos anteriores quedó establecido que las muestras aleatorias tomadas de
una población tienen diferentes medias y comparadas con la media muestral, hay un
determinado error.
Con respecto a este error, el teorema de Chebyshev dice:
50
 1
Podemos afirmar con una probabilidad de cuando menos 1- que la media de una
k2
muestra aleatoria de tamaño (n) difiere de la media de la población en un valor igual a
σ x k.

Este teorema de Chebyschev afirma que para estimar la media poblacional, cuando
utilizamos la media de una muestra aleatoria podemos afirmar con una probabilidad de
1
cuando menos 1- que nuestro error será menor que: σ x (k).
k2
EJEMPLO:

Dada una población de N elementos ¿Cuál es el error para K = 2, si tomamos una

muestra n = 64 con una desviación estándar I = 20?
Solución:
20
Calculamos σ x = = 2.5
64

1 1
Se afirma con una probabilidad de 1- = 1 2 = 0.75 que la media de la muestra difiere
k 2
2
de la media de la población, y que el error que se comete es menor que:
σ x k = 2.5 ( 2 ) = ( 5 )

Con este teorema podemos conocer el error que cometemos sin tener que hacer el
desarrollo de la distribución de medias muestrales.

Existe otro teorema aún más preciso que el de Chebyshev, éste teorema se llama:
Teorema del límite central y dice:

Si el tamaño de la muestra ( n ) es grande, entonces la distribución muestral teórica de

las medias

Este teorema es fundamental en la estadística, ya que justifica el uso de los métodos de

la curva normal en la solución de una amplia gama de problemas. Se aplica a
poblaciones infinitas y a poblaciones donde n es una parte de la población. Es difícil
especificar con exactitud cuan grande debe ser (n) para poder aplicar el teorema central
del límite. Sin embargo para n=20 ya se puede obtener un polígono de frecuencias
simétricas y en forma de campana; para n=30, ya podemos considerar a (n)
suficientemente grande.

Si la población que muestreamos tiene un polígono de frecuencias simétrico y en forma

de campanas, entonces podemos aplicar el teorema del límite central sin importar el
tamaño de (n).

51
EJEMPLO:

Apliquemos el teorema del límite central en el mismo problema donde aplicamos el

teorema de Chebyshev, o sea

N=64 σ =20

Chebyshev dice: ¿cuál es la probabilidad de que el error que se comete al tomar la

media de la muestra como parámetro de la población sea menor que 5? Y con su
teorema se obtiene cuando menos de 0.75. Este resultado nos indica que puede ser más
pero no se precisa.

Veamos el cálculo con el teorema central del límite.

El área bajo la curva es para:

−5 5
Z1 = = −2 y Z2 = =2
20 / 64 20 / 64

Con los valores de Z nos vamos a las tablas del apéndice A, que se encuentran al final
del fascículo, obtenemos

P(Z) = P(Z1) = 0.472

∴ P(Z) = P(Z1) + P(Z2) = 2(0.4772) = 0.9544

Con este ejemplo podemos ver como el teorema central del límite es más preciso que el
de Chebyshev, toda vez que Chebyshev da un rango de aproximación y el del límite
central nos fija el valor de la probabilidad.

La gráfica de la curva normal de este problema se muestra en la siguiente figura cuya

área está sombreada.

Z
µ-3σ µ-2σ µ-σ µ=0 µ→σ µ+2σ µ+3σ
Figura 9.

El tamaño (n) cobra importancia cuando el polígono de frecuencias no es simétrico, en

estos casos en la medida en que (n) aumenta, el error estándar disminuye.

52
Veamos el siguiente ejemplo:

Si tomamos a x como estimación de µ, ¿cómo es el error estándar de la media si n=50

se incrementa a n=200.

Solución:

σ
200 σ 50 50 1 1
= = = =
σ σ 200 200 4 2
50

Con este ejemplo podemos vera que al aumentar el valor de (n), el error de la media
disminuye; en nuestro ejemplo disminuyó la mitad.

Si la naturaleza del problema que se está resolviendo tiene distribución normal, entonces
el teorema del límite central cobra mayor importancia en el cálculo del error estándar de
la media. Veamos el siguiente ejemplo:

Dada una población normal de µ=100 y σ=25, formamos muestras de 5elementos y

determinamos la media de cada muestra X. Sin duda la media de cada muestra es
mayor que la media poblacional y la desviación estándar de la distribución muestral es
menor que la de la población, porque la dispersión de la muestra es menor que la de la
población. Gráficamente lo podemos ver de la siguiente forma:

µ=0
Figura 10.

La gráfica A es la distribución muestral de la población µ=100 y σ=25.

La gráfica B es la distribución de las medias maestrales con n=5 y σ_<25.

X

53
Ahora formemos muestras con n=20 y la gráfica de esta nueva distribución de medias
maestrales es la C
σ <<<25
X

µ=0

Figura 11.

De la gráfica C concluimos que al aumentar el valor de (n) estamos intensificando el

efecto de promediar la muestra y por ello la dispersión disminuye aún más, es decir en
la gráfica C σ_<<25.
X

De lo anterior concluimos que si (n) crece, el error estándar que se comete al tomar a la
media muestral como estimador de la población (µ) es cada vez más pequeño.

Ya dijimos que para n>30 podemos considerar que (n) es grande y aunque el teorema
central del límite se puede aplicar a una muestra cuya n<30, el error estándar es mayor.
En estos casos se recomienda aplicar otra distribución que nos permite cálculos más
precisos en muestras pequeñas y que veremos a continuación.

EJERCICIO:

1. La media de una muestra aleatoria de tamaño n=400 se utiliza para estimar la media
de una población infinita que tiene desviación estándar σ=5. ¿Qué podemos decir
acerca de la probabilidad de que el error será menor que 0.4 mediante el uso de:

a) El teorema de Chebyshev
b) El teorema d}central del límite

54
2. En los equipos de detección de la contaminación por humo, se usan pequeñas
baterías cuya duración tiene una desviación σ=77 horas. Se utiliza la media de una
muestra de tamaño n=49 para estimar la media poblacional. Mediante la aplicación
del límite central, ¿qué podemos decir acerca de la probabilidad de que la estimación
tenga un error?

a) ¿Menor de 10 horas?
b) ¿Menor de 20 horas?

1.2.3 DISTRIBUCIÓN T – DE STUDENT

En la inferencia estadística se hacen generalizaciones con base en muestras, mediante

estimaciones y pruebas de hipótesis.

La estimación consiste en asignar un valor numérico a un parámetro de una población

sobre la base de datos de muestras; y la prueba de hipótesis está basada en la
aceptación o rechazo de suposiciones concernientes a los parámetros de una población.

En el subtema 3.2.2 se hicieron estimaciones de medias poblacionales a través de

medias maestrales cuando el tamaño de la muestra es grande (Teorema del límite
central).

Sin embargo, cuando la muestra involucrada es pequeña es muy probable que la

desviación típica muestral S sea bastante distinta de la desviación típica de la población
σ; en consecuencia en estos casos no se puede utilizar el teorema central del límite para
estimar la media de una población a través de la media de una muestra. En estos casos
se utiliza otra distribución llamada t de Student.

La teoría de las muestras pequeñas sacadas de una población normal de desviación

típica Í desconocida, fue descubierta por el inglés William Gosset en 1908 con el
seudónimo de Student.

La distribución t de Student se representa mediante la expresión:

X-µ
t= , ……..(12)
s/ n

donde:

X = media de la muestra
µ = media de la población
s = desviación típica de la muestra
n = tamaño de la muestra

55
La distribución t de Student se basa en la consideración de que la población a partir de la
cual se obtiene la muestra tiene una distribución normal, σ al menos aproximadamente
normal.

Con la distribución Student es posible estimar parámetros de una población a partir de

los estadísticos calculados para una muestra cuando ésta es pequeña.

Dicha estimación puede ser puntual o por intervalos.

La estimación es puntual cuando se estiman parámetros empleando valores de una

muestra única; y por intervalos cuando se establece un rango de valores dentro de los
cuales se espera que el parámetro caiga.

Como ejemplo para ilustrar un problema en la estimación de medias, considérese un

estudio en el cual un médico desea determinar el incremento promedio real del pulso
cardiaco de una persona que realiza cierta tarea ardua. Los siguientes datos representan
los incrementos de pulso cardiaco en pulsaciones por minuto que el médico obtuvo en
relación con 32 personas:

27, 25, 19, 28, 35, 23, 24, 22,

14, 30, 32, 34, 23, 26, 29, 27,
27, 24, 31, 22, 23, 38, 25, 16,
32, 29, 26, 25, 28, 26, 21, 28.

Calculando la media de la muestra se obtiene que X =26.2 pulsaciones por minuto y en

ausencia de otra información este número sirve como estimador de la media de la
población µ.

Una estimación de este tipo es una estimación puntual ya que consta de un solo número.
Pero esta manera de estimar un parámetro no es la más confiable ya que no nos dice en
cuanta información se basa la estimación y tampoco nos dice nada acerca del posible
tamaño del error. Una estimación por intervalos es mucho más útil que una estimación
puntual, debido a que posee más información; no solo da el valor estimado, sino también
la precisión y el nivel de confianza.

Propiedades de la distribución T - Student

X-µ
Comparando la variable normal estandarizada Z= y la variable “t de student”,
σ/ n
X-µ
t= se observa que son similares y que el único cambio está en el denominador
s/ n
donde se sustituye S en lugar de σ.

Como la distribución normal estándar Z, la distribución t también es continua, en forma

de campana y perfectamente simétrica. La única diferencia entre las dos distribuciones,
es que la distribución t tiene mayor variabilidad; la curva t está más extendida en la parte
de las clases y es más achatada en la zona del centro.

56
En la siguiente figura se comparan los dos tipos de curvas.
CURVA Z

Figura 12.

La siguiente figura muestra el comportamiento de la distribución t comparada con la

distribución Z.

g.l = grados de libertad.

Figura 13.

De la figura se puede observar que conforme aumenta el tamaño de la muestra, la curva

t se aproxima a la curva normal; cuando el tamaño de la muestra n tiende a infinito, la
curva t es idéntica a la curva normal. También de la figura se puede afirmar que no hay
una sola distribución para la distribución t de Student, sino una familia de distribuciones;
esto es debido al efecto del tamaño de la muestra. Si n es pequeña, la t de Student
correspondiente es muy ancha, pero si n⋅30, la distribución t y la normal Z son casi
indistinguibles. De todo lo anterior se pueden establecer propiedades de la distribución
de t de Student.

57
Características de la distribución t de Student

1. Es simétrica con respecto a la media

2. Tiene media µ=0 y σ>1
3. La desviación típica σ<1, cuando el tamaño de la muestra tiende a infinito.
4. La distribución Z tiene solamente una distribución con media µ=0 y desviación típica
σ=1; mientras que la distribución t tiene una familia de distribuciones.
5. La distribución t no se tabula según el tamaño de la muestra, sino en términos del
número de grados de libertad.
6. La distribución t es continua, en forma de campana.
7. La distribución t se basa en la consideración de que la población a partir de la cual se
obtiene la muestra tiene una distribución normal o aproximadamente normal.
8. La variabilidad de la distribución t, depende de dos variables aleatorias (S y X ).
9. La distribución t se Student se utiliza para estimar parámetros poblacionales a través
de los valores de las muestras, para muestras pequeñas (n<30) y cuando la
desviación típica S es conocida.
10. El número de grados de libertad es el único parámetro de la distribución t. Esto es, la
forma de la curva t está totalmente definida cuando se conoce el número de grados
de libertad (g.l=n-1).

El término “grados de libertad” abreviado (g.l.), se refiere al número de datos que pueden
variar libremente, después de haber impuesto ciertas restricciones a nuestros datos.

El número de grados de libertad es el tamaño de la muestra menos uno; es decir

g.l.=n-1.

Cuando se quiere calcular la media de una población a través de la media muestral,

debido a la variabilidad de la media muestral X; ésta no será exactamente igual a la
media poblacional µ, por lo tanto siempre habrá un margen de error llamado error
muestral; es decir:

µ = X ± error muestral

El máximo error que se comete cuando se utiliza X como estimación de µ, cuando n⋅30
está dado por:

∝ σ ∝
E=Z • , donde Z denota el valor el valor
2 n 2
de Z para el cual el área situada debajo de la curva normal estándar a su derecha es
igual a ∝/2.

La selección del valor de ∝ es arbitraria, depende de qué tanto error se esté dispuesto a
tolerar.

El error que se está dispuesto a tolerar se llama nivel de confianza.

58
EJEMPLO:

Z0.05, significa que estamos dispuestos a tolerar un 5% de error.

Hallando este nivel de confianza en una gráfica, se tiene:

∝ = 0.05
∝
= 0.025
2

Z
Z1 µ=0 Zz
Figura 14.

En las tablas del área bajo la curva normal se obtiene Z2=1.96; y como la curva es
simétrica, Z1=-1.96.

Lo anterior significa que el 95% de las diferencias maestrales cae entre -1.96 y 1.96
desviaciones estándares.

En base al ejemplo anterior, obtener Z0.01 y representarlo en una gráfica.

EJEMPLO:

Un experto en mecánica utiliza la media de una muestra aleatoria de tamaño n=30 para
estimar el tiempo promedio que le toma a un mecánico realizar cierta tarea. Si con base
en la experiencia, el experto puede suponer f=2.5 minutos para estos datos, ¿qué se
puede decir con un nivel de confianza del 1% acerca del tamaño máximo de su error?

SOLUCIÓN:

n = 30 σ = 2.5 ∝ = 1% = 0.01 =» ∝/2 = 0.005

Utilizando las tablas del área bajo la curva normal se tiene:

Z0.005 = 2.57

σ
Sustituyendo estos datos en la fórmula E = Z∝/2 ⋅ se tiene:
x

( 2.5) 6.425
E = (2.57) = = 1.17
30 5.477

59
El resultado obtenido significa que el experto en mecánica puede afirmar con una
certeza del 99% que su error será cuando mucho de 1.17 minutos.

EJERCICIO:

Con referencia al problema de los pulsos cardiacos de las 32 personas, ¿qué se puede
decir con un nivel de confianza del 5% acerca del error máximo si se utiliza X=26.5 como
estimación del incremento promedio real del pulso de una persona que realiza la tarea
dada?

Formato de una muestra para estimar la media µ cuando n≥30

Z∝ σ
La fórmula E = • , también se puede utilizar para determinar el tamaño de la
2 n
muestra que se necesita para lograr un grado de exactitud deseada. Despejando n de la
expresión anterior se tiene:
2
Z ∝ /2•σ
n=   ……….(16)
 E 

Fórmula para determinar el tamaño de la muestra

EJEMPLO:

El profesor de Estadística de la Universidad desea emplear la media de una muestra

tomada para estimar la cantidad promedio de tiempo que los estudiantes requieren para
pasar de una clase a la siguiente. Además desea que esta estimación tenga un error de
cuando mucho 0.30 minutos con probabilidad 0.95. Si se sabe de estudios similares
anteriores que es razonable tomar σ = 1.50 minutos, ¿de qué tamaño tendrá que tomar
una muestra?

SOLUCIÓN:

La probabilidad 0.95 de que al hacer la estimación se tenga un error de cuando mucho

0.30 significa que se está tomando un nivel de confianza del 5%, ∴ ∝ = 5% =» ∝/2
= 2.5% = 0.025.

De tablas se tiene Z0.025 = 1.96; además σ = 1.50, E = 0.30

60
Sustituyendo los datos de la fórmula:
2
 Z ∝ /2 • σ 
n =  se tiene
 E 

2
 (1.96) (1.50) 
n=  = 96.04
 0.30 

∴ Se requiere una muestra aleatoria de tamaño n=96 para la estimación.

EJERCICIO:

1. En un estudio de los hábitos de ver televisión, se busca estimar el número de horas

en promedio que los alumnos de bachillerato ven televisión por semana. Si es
razonable suponer σ = 3 horas, ¿de qué tamaño deberá ser la muestra de manera
que se pueda afirmar con la probabilidad de 0.99 que la media de la muestra fallará
cuando mucho en 35 minutos?

Intervalos de confianza

Anteriormente ya se dijo que para estimar parámetros, lo más adecuado es formar un

intervalo de confianza, el cual generalmente incluirá al parámetro por estimar.

Como ya vimos al estimar µ en base a la media de la muestra X , la estimación no será

perfecta; es decir, siempre habrá un margen de error, tal que:

µ = X ± error muestral;

Z∝ σ
pero ya vimos que el máximo error muestral que se puede cometer es E = • , por
2 n
lo tanto podemos escribir:

Z∝ σ
µ=X± • ……….(17)
2 n

donde:

X = media muestral
Z∝ = Es el valor de Z para el cual el área bajo la curva normal a la
2 derecha de Z es ∝/2
∝ = Nivel de confianza
σ = Desviación típioca de la media
n

61
Puesto que los niveles de confianza más utilizados son 0.05 y 0.01, entonces podemos
establecer los siguientes intervalos de confianza:

σ
µ = X ± 1.96 ; intervalo de confianza de 95%
n
σ
µ = X ± 2.58 ; intervalo de confianza de 99%
n

Recuerda que para ∝ = 0.01 =» ∝/2 = 0.025 y que Z0.025 = 1.96.

EJERCICIO:

Z, ∝
1. Para ∝ = 0.01, obtener: Z1∝/2 = ___________. = ___________.
2

EJEMPLO:

Obtener el intervalo de confianza del 95% del conjunto de datos:

(1, 5, 2, 3, 4, 1, 2, 2, 4, 3)

X X2 1er. Paso: Se determina la media

1 1
5 25 ΣX 27
X= ∴X = = 2.7
2 4 N 10
3 9
4 16 ∑X = 27 ∴ X = 2.7
1 1
2 4 N = 10
2 4
4 16 2do. Paso: Se obtiene la desviación estándar de la
3 9 muestra
27 89
ΣX
S= -X
N

89
S= - (2.7) = 8.9 - 7.29
10

S= 1.61 0 1.27 ∴ S = 1.27

62
3er. Paso: se obtiene el error estándar de la media.

σ S
= nótese que el denominador en la fórmula se
X N-1
escribió N-1 en vez de N; la razón es que N-1
corrige el sesgo del error estándar.

σ 1.27 1.27
= = = o.42
X 10 - 1 3

σ
∴ = 0.42
X

4o. paso: Se multiplica el error estándar de ____________ por 1.96 que es el valor de Z
al nivel de confianza de 0.05.

σ
µ = X ± 1.96  
 X
µ = 2.7 ± 1.96 (0.42)
µ = 2.7 ± 0.82
∴ 1.88 ≤ µ ≤ 3.52

Lo anterior significa que se puede asegurar con un 95% de confianza que la verdadera
muestra poblacional está entre 1.88 y 3.52.

EJERCICIO:

Del conjunto de datos del problema anterior, encontrar el intervalo de confianza del 99%.

EJEMPLO:

Un fabricante de productos especiales de acero necesita la dureza media de un lote

grande de piezas de acero que acaba de recibir. Es muy importante la determinación de
la dureza ya que si ésta sale de cierto rango, es necesario aplicar un tratamiento costos
para llevarla al grado de dureza deseado. Imagina que tú trabajas en el departamento
de pruebas de cierta compañía y le han enviado el resultado de una prueba de dureza
efectuada en una muestra aleatoria de 40 piezas, siendo la medida de la muestra X = 70
y la desviación estándar S = 2. ¿Qué harías?

SOLUCIÓN:

Se tiene que estimar la dureza media µ en base a una muestra con n = 40, X = 70 y S =
2 y un nivel de confianza del 99%, ya que la situación es bastante delicada.

63
 σ
∴ µ = X ± 2.58
n

 2 
µ = 70 ± (2.58)  
 40 
µ = 70 ± (2.58) (0.82)

o sea:

69.18 ≤ µ ≤ 70.82

El gerente, al recibir el informe, observa que este resultado cae muy cerca del extremo
del rango aceptable (de 68.3 ________), pide que se aumente la precisión del intervalo
de confianza del 0.82 a 0.50, preservando el nivel de confianza en 99%. ¿Qué harías tú?

SOLUCIÓN:

Hay que determinar el tamaño de la muestra necesaria para alcanzar la precisión de E =

0.50.
2
 Z ∝ /2 • σ 
n=  podemos tomar σ = 5
 E 

2 2
 (2.58) (2)   5.16 
n=  =  = (10.32) 2 = 106.50
 0.50   0.50 

Entonces nos bastaría una muestra de 107 piezas. Como ya teníamos 40 piezas, se
manda completar la muestra probando la dureza de 67 piezas adicionales. Se calculan
las nuevas X y S en base a la muestra total y se obtiene el nuevo intervalo de confianza
a 99% con precisión de 0.50.

EJERCICIO:

La actividad de ciertas vacunas puede mediarse únicamente a través de pruebas en

organismos vivos (conejos por ejemplo). Este procedimiento es costos y tardado, pero
esencial para asegurar el funcionamiento correcto de estas vacunas.

a) Si la muestra de 30 pruebas dio un índice medio de actividad de X = 880 unidades

con S = 110, forma un intervalo de confianza de 95% para la actividad media de la
vacuna.

b) Calcula el tamaño de muestra total necesaria para tener un error de estimación

E ≤ 25 unidades con 99% de confianza.

64
Confiabilidad de Promedios en Muestras Pequeñas

Anteriormente ya se comparó la distribución Z con la distribución t de Student.

X-µ
Si en la distribución Z = , se reemplaza t por Z y σ por S se tiene la distribución:
σ/ n

X-µ
t= distribución de Student.
σ/ n

Esta distribución se utiliza para estimar parámetros para muestras pequeñas.

Los intervalos de confianza se forman de la misma manera que en la distribución Z.

La forma de la curva de la distribución t de Student está basada en el número de grados

de libertad (g. l. = n-1), en lugar del tamaño n de la muestra. A medida que aumenta el
número de grados de grados de libertad, la curva de la distribución t es menos variable.

Una muestra la vamos a considerar pequeña cuando sea n<30.

La tabla de valores t es diferente de la de valores Z. en la tabla de valores de la

distribución t de Student cada fila corresponde a una distribución t distinta. La última
columna da el número de grados de libertad.

EJEMPLO:

Para 10 g. l., el 10% del área de la curva está a la derecha del valor t = 1.383, y como la
curva es simétrica, el 10% del área de la curva está a la izquierda del valor t = -1.383.

0.10
0.10

-3 -2 -1 µ=0 1 2 3
Figura 14. Distribución t para 10 g. l. y ∝/2 = 0.10.

De la figura se tiene que el 80% de los casos están comprendidos entre -1.383 y 1. 383.

65
EJERCICIO:

Para 10 g. l. y un nivel de confianza de 5%, determinar el intervalo de confianza y dibujar

su gráfica.

∝ ∝
Para la distribución t de Student se define t, de la misma forma como se definió Z ,
2 2
∝
de manera que el área situada debajo de la curva que está a la derecha de t es igual
2
∝ ∝
a -t . Sin embargo t depende del número de grados de libertad.
2 2

Utilizando el hecho de que la distribución t es simétrica con respecto a t = 0 (media de la

distribución t), entonces la probabilidad de que la variable aleatoria que tiene una
distribución t tome un valor entre -t∝/2 y t∝/2; es decir, -t∝/2 ≤ t ≤ t∝/2 es 1-∝.

De la figura podemos
afirmar

P(-t∝/2 ≤ t ≤ t∝/2) =1-∝

t
∝ ∝
-t µ=0 t
2 2

Distribución t

Igual que en la distribución Z, el intervalo de confianza en muestras pequeñas se puede

escribir:

S
µ = X ± t ∝ /2
n

Fórmula para determinar intervalos de confianza para muestras pequeñas.

66
EJEMPLO:

La curva de la distribución t con 10 g. l. se muestra en la siguiente figura. Hallar el valor

de t para que:

t
-t1 µ=0 t1

Figura 16.

a) El área rayada de la derecha sea 0.05

b) El área total rayada sea 0.10
c) El área no rayada sea 0.99
d) El área rayada de la izquierda sea 0.01

SOLUCIÓN

a) ∝/2 = 0.05

En las tablas de la distribución t se busca el nivel de confianza 0.05 con 10 g. l.

(n = 10 + 1 = 11), es decir, el tamaño de la muestra n = 11.

∴ t0.05 = 1.812

EJERCICIO:

Resolver los demás incisos del problema anterior.

EJEMPLO:

Los contenidos de ácido sulfúrico en siete recipientes similares son: 9.8, 10.2, 10.4, 9.8,
10.0, 10.2 y 9.6 litros. Encuentra un intervalo de confianza al 95% para la media de todos
los recipientes, suponiendo una distribución aproximadamente normal.

SOLUCIÓN:

La media y la desviación estándar de la muestra para los datos proporcionados son:

X = 10.0 y S = 0.283 (Checar estos resultados)

67
Empleando la tabla de la distribución t, se encuentra que t0.025 = 2.447, para 6 g. l.
Recuerda que ∝ = 0.05 == ∝/2 = 0.025

∴ el intervalo de confianza al 95% para µ es:

 0.283 
µ = 10.0 ± (2.447)  
 7 

0.6925
µ = 10.0 ±
2.64575

µ = 10.0 ± 0.26174

∴ 9.738 < µ < 10.26174 redondeando

∴ 9.74 < µ < 10.26

EJERCICIO

1. Una muestra aleatoria de 25 automóviles del mismo modelo se conducen de la

misma forma y usando la misma calidad de gasolina. Los automóviles recorren un
promedio de 9 km por litro de gasolina, con una desviación tipo de 1.2 km. Estimar el
recorrido medio por litro y dar su intervalo de confianza a un nivel de confianza del
95%.

Verificar la respuesta: 8.505 ≤ µ ≤ 9.459

2. En un estudio de la contaminación del aire, una estación de experimentos obtuvo una

medida de 2.36 miligramos de materia orgánica suspendida soluble de benceno por
metro cúbico con una desviación estándar de 0.48 de una muestra tomada al azar de
tamaño n = 10.

a) Construye un intervalo de confianza del 99% de la media de la población

muestreada.

b) ¿Qué se puede afirmar con el 95% de confianza acerca del error máximo, si
X = 2.36 miligramos se utiliza como estimación de la media de la población
muestreada?

Verificar las respuestas.

a) 1.87 ≤ µ ≤ 2.85

b) E = 0.34

68
Pruebas de hipótesis

Al hacer inferencias de características de poblaciones a través de muestras se utilizan

los métodos de Estimación y Pruebas de Hipótesis.

Cuando se analizan características de poblaciones por el método de pruebas de

hipótesis, es necesario tener en cuenta los siguientes conceptos:

NIVEL DE CONFIANZA. Es el nivel de error que se esté dispuesto a tolerar.

ESTADÍSTICO DE PRUEBA. Es una variable aleatoria cuyo valor se utiliza para llegar a
la decisión de rechazar o no la hipótesis nula.

REGIÓN CRÍTICA. Es el conjunto de valores para el estadístico de prueba que llevará a

rechazar la hipótesis nula.

REGIÓN DE ACEPTACIÓN. Es el conjunto de valores para el estadísticos de prueba

que provocará la aceptación de la hipótesis nula.

VALOR CRÍTICO. Es el valor que separa a la región de rechazo y la región de

aceptación.

HIPÓTESIS ESTADÍSTICA. Es una afirmación o conjetura acerca del parámetro o

parámetros de una población.

La siguiente gráfica muestra el valor crítico, la región de rechazo y la región de

aceptación.

1-∝

REGIÓN DE VALOR REGIÓN DE VALOR REGIÓN DE

RECHAZO CRÍTICO ACEPTACIÓN CRÍTICO RECHAZO

Figura 17.

Se ha aprendido a estimar la media de una población µ, dando un intervalo de confianza

o acompañando la estimación de punto X con una evaluación del error posible. Ahora
aprenderás cómo demostrar una hipótesis referente a la media de una población µ; es
decir, se presentarán métodos para decidir si se acepta o se rechaza una afirmación
acerca de un valor específico de µ.

Estos conceptos serán abordados en la siguiente unidad, prepárate para acceder a ellos.
69
 RECAPITULACIÓN

FUNCIÓN
PROBABILÍSTICA

DISCRETA CONTINUA

MUESTREO

SISTEMÁTICO ASIMÉTRICAS SIMÉTRICAS

ESTRATIFICADO

NORMALIZACIÓN
POR CONGLOMERADOS

ALEATORIO SIMPLE

DISTRIBUCIÓN
NORMAL ESTÁNDAR

PEQUEÑAS GRANDES
n < 30 n > 30

DISTRIBUCIÓN MEDIA
MUESTRAL APLICACIÓN EN LA
“t” DE STUDENT SOLUCIÓN DE
PROBLEMAS

GRADOS DE TEOREMA DEL

LIBERTAD LÍMITE
CENTRAL

NIVEL DE
CONFIANZA

PRUEBAS DE
HIPÓTESIS

70
 ACTIVIDADES DE CONSOLIDACIÓN

Para reafirmar los conceptos aprendidos resuelve el siguiente ejercicio. Si tienes alguna
duda, consulta con tu asesor.

I. La Cía. General Motor Company tiene la intención de promover a sus trabajadores

a un tabulador salarial mejor que el actual y para ello aplica un examen de
conocimientos culturales, habiendo obtenido las siguientes puntuaciones:

27, 28, 28, 28, 29, 30, 30, 30, 30, 31, 31, 31, 32, 32, 32,
33, 33, 33, 33, 34, 34, 34, 34, 35, 35, 35, 35, 35, 35, 35,
36, 36, 36, 36, 36, 37, 37, 37, 37, 37, 37, 38, 38, 38, 38,
38, 38, 38, 39, 39, 39, 39, 40, 40, 40, 40, 40, 40, 40, 40,
41, 41, 41, 41, 41, 41, 41, 41, 42, 42, 42, 42, 42, 42, 43,
43, 43, 43, 44, 44, 44, 44, 44, 44, 44, 45, 45, 45, 45, 45,
46, 46, 46, 47, 47, 47, 47, 47, 47, 47, 48, 48, 48, 48, 49,
49, 49, 49, 50, 50, 51, 51, 51, 52, 52, 53, 53, 53, 54, 54,
55, 56, 56, 57, 57, 58, 59, 61, 62, 62.

Determina:

1) La media
2) La moda
3) La mediana
4) La varianza
5) La desviación estándar
6) Traza el polígono de frecuencias
7) Normaliza los datos y traza la curva de mejor ajuste sobre la gráfica anterior
para contrastar el cambio
8) Determina el tanto por ciento de casos que se espera hallar entre la media y
las puntuaciones 28, 38 y 60
9) Calcula el tanto por ciento y el número de casos esperados entre los
siguientes pares de puntuaciones:

a) 35 y 45
b) 50 y 55
c) 56 y 60

10) ¿Cuántos casos se espera hallar por encima de una puntuación igual a 50?
¿Cuántos por debajo de 35?

71
PROBLEMA

II. Los datos dados a continuación corresponden a incrementos de pulso cardiaco en

pulsaciones por minuto que un médico determina en relación con diez personas
que realizan una tarea ardua:

27, 14, 27, 32, 25, 30, 24, 29, 19, 32

a) estimar el incremento promedio real del pulso cardiaco de una persona que
realiza una tarea ardua, mediante el estimador puntual X.

b) Estimar el alejamiento de las pulsaciones por minuto con respecto al

promedio, utilizando un estimador puntual.

c) Determinar el número de grados de libertad para la muestra dada.

d) Determinar el error máximo que se comete al estimar el incremento

promedio del pulso cardiaco de una persona mediante el estimador puntual
X, con un nivel de confianza del 95%.

e) Obtener el tamaño que deberá tener la muestra, de tal manera que al

emplear la media X, de una muestra para estimar el incremento promedio
del pulso cardiaco de una persona, se tenga un error máximo de 25
pulsaciones por minuto con un nivel de confianza de 95%.

f) Construir un intervalo con un nivel del 99% en relación con el incremento

promedio real del pulso de personas que realizan la tarea dada.

72
 AUTOEVALUACIÓN

Los resultados que debiste obtener son los siguientes, si alguno no coincide, entonces
revisa tus cálculos, localiza el error y corrígelo.

SOLUCIÓN DEL PROBLEMA I

1) = 47.1 2) Mo = 48.7 3) Md = 50.6

4) = 64.2 5) = 9.04

6) TABLA DE FRECUENCIAS

CLASE Xm Fi Fa XmFi Xm- X (Xm- X )

2
Fi(Xm- X )
2

966.5
60-62 61 5 5 305 13.9 193.21 1188.1
57-59 58 10 15 580 10.9 118.81 936.2
54-56 55 15 30 825 7.9 62.1 432.2
51-53 52 18 48 936 4.9 24.01 72.2
48-50 49 20 68 980 1.9 3.61 20.6
45-47 46 17 85 782 -1.1 1.21 235.3
42-44 43 14 99 602 -4.1 16.81 504.1
39-41 40 10 109 400 -7.1 50.41 816.1
36-38 37 8 117 296 -10.1 102.01 1029.7
33-35 34 6 123 204 -13.1 171.61 1036.8
30-32 31 4 127 124 -16.1 259.21 1094.4
27-29 28 3 130 84 -19.1 364.81 8332.2
6118

ΣXmfi 6118
X= = = 47.1
n 130

Σfi (Xm - X) 8332.2 833.2

σ2 = = = = 64.6
n -1 130 - 1 129

σ = 64.590698 = 8.04

 2  6
Mo = 47.5 + 3   = 47.5 + = 48.7
 2 + 3  5

 130 
 - 48 
Md = 48 + 3  2  = 48 + 51 = 50.6
 20  20
 
 
73
 POLÍGONO DE FRECUENCIAS

7) TABLA DE NORMALIZACIÓN PARA EL AJUSTE DE CURVAS

Z=
CLASE fi Ls. ∆X = Xi - ∆X I DEBAJO ENCIMA fe Fe. red.
X σ
60-62 5 62.5 15.4 1.92 0.9726 0.0344 4.47 4.5
57-59 10 59.5 12.4 1.54 0.9382 0.0696 9.05 9.1
64-56 15 56.5 9.4 1.12 0.8686 0.0805 10.47 10.5
51-53 18 53.5 6.4 0.80 0.7881 0.1253 16.29 16.3
48-50 20 50.5 3.4 0.42 0.6628 0.1429 18.58 18.6
45-47 17 47.5 0.4 0.05 0.5199 0.1454 18.90 18.9
42-44 14 44.5 -2.6 -0.32 0.3745 0.1325 17.23 17.2
39-41 10 41.5 -5.6 -0.70 0.2420 0.0997 12.96 13.0
36-38 8 38.5 -8.6 -1.07 0.1423 0.0674 8.76 8.8
33-35 6 35.5 -11.6 -1.44 0.0749 0.0405 5.27 5.3
30-32 4 32.5 -14.6 -1.82 0.0344 0.0201 2.61 2.6
27-29 3 29.5 -17.6 -2.19 0.0143 0.0143 1.86 1.9

X = 47.1

σ = 8.04

N = 130

74
 A) POLÍGONO DE FRECUENCIAS (A)
B) Curva NORMALIZADA (B)

8) a) 49% b) 37% c)45%

9) a) 33%, 43 casos b) 19.6%, 26 casos

10) a) 47 casos b) 9 casos

SOLUCIÓN DEL PROBLEMA II

a) Para estimar la media µ de una población, hay varios estimadores puntuales, los
más conocidos son: media, mediana y moda.

De estos estimadores el más adecuado es la media, ya que es la más confiable

por considerar todos los datos de la muestra, cosa que no ocurre con la mediana y
la moda.

27 + 14 + 24 + 32 + 25 + 30 + 24 + 29 + 19 + 32 259
X= = = 25.9
10 10

∴ X = 25.69

Esto significa que el incremento promedio real del pulso cardiaco es 25.9
pulsaciones por minuto.

75
 Este error que se comete al estimar a través de X se determina mediante la
fórmula:

σ
E = t ∝/2 ⋅
n

Donde:

E= error
t ∝/2 = área bajo la curva a la derecha de ∝/2
σ= desviación estándar de la población
n= N° de datos

NOTA: Recuerda que en ausencia de σ se puede utilizar s.

∝ = 0.05 ∝/2 = 0.025

De las tablas de la distribución t de Student y tomando g. l. = 9, se tiene:

t(0.025) = 2.262

 5.44  12. 305

∴ E = 2.262   = = 3.89
 10  3.162

∴ E = 3.89

Esto significa que podemos asegurar con un grado de confianza del 95% que el
error que se comete al estimar a través de X es menor de 3.89 pulsaciones por
minuto.

La confiabilidad de X como estimador de la media de la población depende del

tamaño de la muestra y el tamaño de la desviación estándar de la población.

b) Para estimar el alejamiento promedio de las pulsaciones por minuto con respecto
al incremento promedio real existen varios estimadores. Los más usuales son: la
desviación media, varianza y desviación estándar.

De ellos utilizaremos el estimador s (desviación estándar de la muestra).

Dado que generalmente no se conoce el parámetro, que es la desviación estándar

de la muestra; es estadístico s (desviación estándar de lamuestra), puede servir
como estimador de σ.

76
 X f X2 fix2 Para determinar s se utiliza la fórmula
14 1 196 196
19 1 361 361
24 1 576 576 Σ fx 2 2
S= -X
25 1 625 625 N
27 2 729 1458
29 1 841 841 donde N = N° de datos
30 1 900 900 f = frecuencia de cada dato
32 2 1024 2048 X = media de la muestra
5252 7005

7005
∴s= − ( 25.9) 2 = 700.5 - 670.81 = 29.69 = 5.44
10

∴ s = 5.44

Esto significa que en promedio el incremento promedio del pulso cardiaco se aleja
5.44 pulsaciones por minuto de la media.

c) g. l. = n – 1 ∴ g. l. = 10 – 1 = 9

∴ g. l. = 9

d) Sabemos que al estimar la media poblacional a través de la media muestral X

existe un error, es decir:

µ = X ± error muestral

e) Para determinar el tamaño que deberá tener la muestra con un nivel de confianza
del 95% para tener un error máximo de 2.5 pulsaciones por minuto se utiliza la
fórmula:

σ
E = t ∝/2 ⋅ despejando n se tiene
n

t ∝ /2 • σ
n=
E

( 2.262) (5.44) 2
n= = (4.922112)2 = 24.22
2.5

77
 redondeando se tiene n = 24

Esto Significa que el tamaño de la muestra debe ser 24 para cometer un error
menor de 2.5 pulsaciones por minuto al estimar a través de X .

f) La estimación de parámetros puede ser puntual o por intervalos.

La estimación de la media poblacional por intervalos tiene la ventaja sobre la

estimación puntual de que en la estimación por intervalos es posible conocer el
tamaño del error, así como la precisión y el nivel de confianza, cosa que no se
puede tener con la estimación puntual.

Como ya vimos al estimar en base a la media muestral X, la estimación no es

perfecta, es decir, siempre hay un margen de error.

σ
∴µ = X ± E pero E = t ∝/2 ⋅
n
σ
∴µ = X ± = t ∝/2 ⋅ intervalos de confianza para estimar µ
n

donde

∝ = nivel de confianza

Para un nivel de confianza del 99% se tiene que:

∝ = 0.0 ∝/2 = 0.005

∴ t (0.005) = 4.032 con 9 grados de libertad

 5.44 
∴ µ = 25.9 ± 4.032  
 10 

21.934
µ = 25.9 ±
3.162

µ = 25.9 ± 6.936

18.96 ≤ µ ≤ 32.83

Esto significa que se puede asegurar con un 99% de confianza que la verdadera
muestra poblacional está entre 18.96 y 32.83 pulsaciones por minuto.

78
 APÉNDICES

APÉNDICE A
ÁREAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIÓN NORMAL EN FUNCIÓN DE ∆X/σ

(1) (2) (3) (4) (5)

Z A B C Y
PUNTUACIÓN ÁREA DESDE ÁREA DE LA ÁREA DE LA ORDENADA
TIPIFICADA LA MEDIA PARTE MAYOR PARTE MENOR ∆X
∆X ∆X EN
A σ
σ σ

79
 APÉNDICE A
ÁREAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIÓN NORMAL EN FUNCIÓN DE ∆X/σ

(1) (2) (3) (4) (5)

Z A B C Y
PUNTUACIÓN ÁREA DESDE ÁREA DE LA ÁREA DE LA ORDENADA
TIPIFICADA LA MEDIA PARTE MAYOR PARTE MENOR ∆X
∆X ∆X EN
A σ
σ σ

80
 APÉNDICE A
ÁREAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIÓN NORMAL EN FUNCIÓN DE ∆X/σ

(1) (2) (3) (4) (5)

Z A B C Y
PUNTUACIÓN ÁREA DESDE ÁREA DE LA ÁREA DE LA ORDENADA
TIPIFICADA LA MEDIA PARTE MAYOR PARTE MENOR ∆X
∆X ∆X EN
A σ
σ σ

81
 APÉNDICE A
ÁREAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIÓN NORMAL EN FUNCIÓN DE ∆X/σ

(1) (2) (3) (4) (5)

Z A B C Y
PUNTUACIÓN ÁREA DESDE ÁREA DE LA ÁREA DE LA ORDENADA
TIPIFICADA LA MEDIA PARTE MAYOR PARTE MENOR ∆X
∆X ∆X EN
A σ
σ σ

82
 APÉNDICE A
ÁREAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIÓN NORMAL EN FUNCIÓN DE ∆X/σ

(1) (2) (3) (4) (5)

Z A B C Y
PUNTUACIÓN ÁREA DESDE ÁREA DE LA ÁREA DE LA ORDENADA
TIPIFICADA LA MEDIA PARTE MAYOR PARTE MENOR ∆X
∆X ∆X EN
A σ
σ σ

83
 APÉNDICE A
ÁREAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIÓN NORMAL EN FUNCIÓN DE ∆X/σ

(1) (2) (3) (4) (5)

Z A B C Y
PUNTUACIÓN ÁREA DESDE ÁREA DE LA ÁREA DE LA ORDENADA
TIPIFICADA LA MEDIA PARTE MAYOR PARTE MENOR ∆X
∆X ∆X EN
A σ
σ σ

2.69

84
 APÉNDICE A
ÁREAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIÓN NORMAL EN FUNCIÓN DE ∆X/σ

(1) (2) (3) (4) (5)

Z A B C Y
PUNTUACIÓN ÁREA DESDE ÁREA DE LA ÁREA DE LA ORDENADA
TIPIFICADA LA MEDIA PARTE MAYOR PARTE MENOR ∆X
∆X ∆X EN
A σ
σ σ

85
 APÉNDICE A
ÁREAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIÓN NORMAL EN FUNCIÓN DE ∆X/σ

(1) (2) (3) (4) (5)

Z A B C Y
PUNTUACIÓN ÁREA DESDE ÁREA DE LA ÁREA DE LA ORDENADA
TIPIFICADA LA MEDIA PARTE MAYOR PARTE MENOR ∆X
∆X ∆X EN
A σ
σ σ

86
 APÉNDICE B

Tabla. Valores críticos de t

∝
t2

n t.100 t.050 t.025 t.010 t.005 d.f

87
NÚMEROS ALEATORIOS

APÉNDICE C
88
NÚMEROS ALEATORIOS

89
 APÉNDICE C

NÚMEROS ALEATORIOS

90
 APÉNDICE C

NÚMEROS ALEATORIOS

91
 BIBLIOGRAFÍA CONSULTADA

DOWNIE, N. M. y HEAT, R. W. Métodos Estadísticos Aplicados. Ed. Harla.

FREUD, John E. , WILLIAM, Frank J., PERLES. Benjamín M. Estadística para la

Administración. Ed. Prentice Hall Hispanoamericana S. A.

GRAY, William A. y OTIS M, Ulm. Probabilidad y Estadística Elemental. Editorial

C.E.C.S.A.

HOEL, Paul G. Estadística Elemental. Ed. C. E. C. S. A. México, 1976.

KREYSZING, Edwin. Introducción a la Estadística Matemática. Ed. Limusa. México,

1981.

LEVÍN, Richard I. Estadística para Administradores. Ed. Pretince Hall.

LINCONL L., Chao. Introducción a la Estadística. Ed. CECSA. México, 1985.

LINCOYAN Portus, Goviden. Curso Práctico de Estadística. Ed. McGraw-Hill, México,

1985

LIZÁRRAGA G., Ignacio Manuel. Estadística. Ed.; McGraw-Hill. México, 1986.

MENDENHALL, William. Trad. SEGAMI, Carlos. Introducción a la Probabilidad y la

Estadística. Grupo Editorial Iberoamérica. México, 1989.

PARSEN, Emanuel. Teoría Moderna de Probabilidad y sus Aplicaciones. Ed. Limusa.

México, 1973.

SEYMOR, Lipschutz, Ph. D. Teoría y Problemas de Probabilidad. Editorial McGraw-Hill.

92